KI erstellt hochauflösende Gehirnbilder aus MR-Scans mit niedriger Feldstärke

Tragbare MRT-Systeme mit niedriger Feldstärke haben das Potenzial, die Neurobildgebung zu verändern – vorausgesetzt, dass ihre geringe räumliche Auflösung und ihr niedriges Signal-Rausch-Verhältnis (SNR) überwunden werden können. Forscher bei Harvard Medical School nutzen künstliche Intelligenz (KI), um dieses Ziel zu erreichen. Sie haben einen Superauflösungsalgorithmus für maschinelles Lernen entwickelt, der synthetische Bilder mit hoher räumlicher Auflösung aus MRT-Scans des Gehirns mit niedrigerer Auflösung generiert.

Der Convolutional Neural Network (CNN)-Algorithmus, bekannt als LF-SynthSR, wandelt T0.064- und T1-gewichtete Gehirn-MRT-Sequenzen mit niedriger Feldstärke (2 T) in isotrope Bilder mit einer räumlichen Auflösung von 1 mm und dem Auftreten einer T1-gewichteten Magnetisierung um -vorbereitete schnelle Gradientenecho-Erfassung (MP-RAGE). Beschreibung ihrer Proof-of-Concept-Studie in Radiologie, berichten die Forscher, dass die synthetischen Bilder eine hohe Korrelation mit Bildern aufwiesen, die von 1.5-T- und 3.0-T-MRT-Scannern aufgenommen wurden.

Morphometrie, die quantitative Größen- und Formanalyse von Strukturen in einem Bild, steht im Mittelpunkt vieler Neuroimaging-Studien. Leider sind die meisten MRT-Analysetools für nahezu isotrope, hochauflösende Aufnahmen konzipiert und erfordern typischerweise T1-gewichtete Bilder wie MP-RAGE. Ihre Leistung fällt oft schnell ab, wenn Voxelgröße und Anisotropie zunehmen. Da die überwiegende Mehrheit der bestehenden klinischen MRT-Scans stark anisotrop sind, können sie mit bestehenden Werkzeugen nicht zuverlässig analysiert werden.

„Jedes Jahr werden Millionen von MR-Bildern des Gehirns mit niedriger Auflösung erstellt, die jedoch derzeit nicht mit Neuroimaging-Software analysiert werden können“, erklärt der leitende Forscher Juan Eugenio Iglesias. „Das Hauptziel meiner aktuellen Forschung ist die Entwicklung von Algorithmen, die niedrig aufgelöste MR-Bilder des Gehirns so aussehen lassen wie die hochauflösenden MRT-Scans, die wir in der Forschung verwenden. Ich interessiere mich besonders für zwei Anwendungen: die Ermöglichung einer automatisierten 3D-Analyse der klinischen Scans und die Verwendung mit tragbaren Niedrigfeld-MRT-Scannern.“

Schulung und Prüfung

LF-SynthSR baut auf SynthSR auf, einer Methode, die vom Team entwickelt wurde, um ein CNN zu trainieren, isotrope MP-RAGE-Scans mit einer Auflösung von 1 mm aus routinemäßigen klinischen MR-Scans vorherzusagen. Frühere Ergebnisse berichtet in NeuroImage zeigten, dass SynthSR-generierte Bilder zuverlässig für die subkortikale Segmentierung und Volumetrie, die Bildregistrierung und, wenn einige Qualitätsanforderungen erfüllt sind, sogar die kortikale Dickenmorphometrie verwendet werden können.

Sowohl LF-SynthSR als auch SynthSR werden auf synthetischen Eingabebildern mit stark variierendem Erscheinungsbild trainiert, die aus 3D-Segmentierungen generiert werden, und können daher verwendet werden, um CNNs für jede Kombination von Kontrast, Auflösung und Ausrichtung zu trainieren.

Iglesias weist darauf hin, dass neuronale Netze am besten funktionieren, wenn die Daten annähernd konstant erscheinen, aber jedes Krankenhaus verwendet Scanner von verschiedenen Anbietern, die unterschiedlich konfiguriert sind, was zu sehr heterogenen Scans führt. „Um dieses Problem anzugehen, leihen wir uns Ideen aus einem Bereich des maschinellen Lernens namens ‚Domänen-Randomisierung‘ aus, bei dem man neuronale Netze mit synthetischen Bildern trainiert, die so simuliert werden, dass sie Aussehen und Auflösung ständig ändern, um trainierte Netze zu erhalten, die agnostisch sind das Erscheinungsbild der Eingabebilder“, erklärt er.

Um die Leistung von LF-SynthSR zu bewerten, korrelierten die Forscher Gehirnmorphologiemessungen zwischen synthetischen MRIs und Ground-Truth-Bildern mit hoher Feldstärke. Für das Training verwendeten sie einen Hochfeldstärke-MRT-Datensatz von isotropen 1-mm-MP-RAGE-Scans von 20 Probanden. Sie verwendeten auch entsprechende Segmentierungen von 36 Gehirnregionen von Interesse (ROIs) und drei extrazerebralen ROIs. Das Trainingsset wurde auch künstlich erweitert, um pathologisches Gewebe wie Schlaganfall oder Blutung besser zu modellieren.

Das Test-Set umfasste Bildgebungsdaten von 24 Teilnehmern mit neurologischen Symptomen, bei denen zusätzlich zu einer Standard-MRT mit hoher Feldstärke (0.064–1.5 T) ein Scan mit niedriger Feldstärke (3 T) durchgeführt wurde. Der Algorithmus erzeugte erfolgreich isotrope synthetische 1-mm-MP-RAGE-Bilder aus den MRTs des Gehirns mit niedriger Feldstärke, mit Voxeln, die mehr als zehnmal kleiner sind als in den Originaldaten. Die automatisierte Segmentierung der synthetischen Bilder aus einer endgültigen Stichprobe von 10 Teilnehmern ergab ROI-Volumina, die stark mit denen korrelierten, die aus den MR-Scans mit hoher Feldstärke abgeleitet wurden.

„LF-SynthSR kann die Bildqualität von MRT-Scans mit niedriger Feldstärke so weit verbessern, dass sie nicht nur mit automatisierten Segmentierungsmethoden, sondern möglicherweise auch mit Registrierungs- und Klassifizierungsalgorithmen verwendet werden können“, schreiben die Forscher. „Es könnte auch verwendet werden, um die Erkennung abnormaler Läsionen zu verbessern.“

Diese Fähigkeit, Gehirn-MRTs mit niedriger Auflösung unter Verwendung automatisierter Morphometrie zu analysieren, würde die Untersuchung seltener Krankheiten und Bevölkerungsgruppen ermöglichen, die in der aktuellen Neuroimaging-Forschung unterrepräsentiert sind. Darüber hinaus würde die Verbesserung der Bildqualität von tragbaren MRT-Scannern deren Einsatz in medizinisch unterversorgten Bereichen sowie in der Intensivpflege verbessern, wo die Verlegung von Patienten in eine MRT-Suite oft zu riskant ist.

Tragbares MRT diagnostiziert Schlaganfälle direkt am Patientenbett

Iglesias sagt, dass eine weitere Herausforderung das breite Spektrum an Anomalien ist, die in klinischen Scans gefunden werden, die vom CNN behandelt werden müssen. „Derzeit funktioniert SynthSR gut mit gesunden Gehirnen, Fällen mit Atrophie und kleineren Anomalien wie kleinen Multiple-Sklerose-Läsionen oder kleinen Schlaganfällen“, sagt er Physik-Welt. „Wir arbeiten derzeit daran, die Methode zu verbessern, damit sie größere Läsionen wie größere Schlaganfälle oder Tumore effektiv behandeln kann.“

Schreiben in einem begleitenden Editorial in Radiologie, Birgit Ertl-Wagner und Mathias Wagner von dem Krankenhaus für kranke Kinder in Toronto kommentieren: „Diese aufregende technische Entwicklungsstudie demonstriert das Potenzial, mit künstlicher Intelligenz die Feldstärke niedrig zu halten und eine hohe räumliche und kontrastreiche Auflösung anzustreben.“

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
• Quelle: https://physicsworld.com/a/ai-creates-high-resolution-brain-images-from-low-field-strength-mr-scans/